FIFA 世界杯 2026 冠军预测：一份 MLOps 指南

了解端到端 MLOps 流水线如何预测 2026 年世界杯结果：从自动再训练与 DVC，到对赛程进行 10,000 次蒙特卡罗模拟。

更新 2026年6月11日 · 15分钟读

预测足球比赛并不容易。这是一项低得分的运动，一次折射的射门就可能改写结果，而且比赛中相当一部分取决于运气。国际足球更难：国家队每年只打少量正式比赛，可供学习的数据远少于俱乐部联赛。

而且更雪上加霜的是，FIFA 今年又让这项任务变得更难了。扩军至 48 支球队的世界杯引入了新赛制：十二个小组中每组前二直接出线，外加十二个第三名中表现最好的八队，使得小组赛的命运更难预料。既然我喜欢挑战（也喜欢足球），这正是我想要预测的。

这篇文章是我欧洲杯 2024 预测项目的后续，几乎是从零重建。上一次我完全在 Jupyter 笔记本中工作，为每场比赛预测一个最可能的比分。这一次，我搭建了一条端到端的 MLOps 流水线，自动摄取最新赛果、自我再训练，并对整个锦标赛进行 10,000 次蒙特卡罗模拟，把比赛级别的预测转化为各队能走多远的概率。

本文将从高层引导您了解该项目：数据与特征、保障可复现性的 MLOps 实践、流水线架构，以及最终哪种模型更适合预测国家队足球。您可在项目仓库找到完整代码。当然，我也会告诉您模型认为谁会夺冠。（剧透：它看好西班牙和阿根廷，各约 16%，更有趣的是它是如何得出这个结论的。）

如果这勾起了您对赛事的兴趣，推荐关注我们的数据与 AI 世界杯周，一系列关于数据与 AI 如何重塑足球的分享，直播或点播均可免费观看。

要点速览

这是一条端到端的 MLOps 流水线，用于预测 2026 年 FIFA 世界杯；在赛事期间每两小时于 Google Cloud 上自动拉取最新国际赛结果并再训练。
来自 API-Football 与 Elo 评分的数据经由青铜-白银-黄金（三段式）勋章架构处理，并使用 DVC 进行版本管理以实现完全可复现。
来自五大家族的十种模型在 347 场保留集上比较；XGBoost 以微弱优势胜出，前五名几乎难分伯仲，而队伍间的 Elo 差异承担了大部分预测贡献。
蒙特卡罗模拟运行完整锦标赛 10,000 次，将比赛级别的进球预测转化为各队晋级与夺冠的概率。
截至 2026 年 6 月 10 日，模型最看好西班牙与阿根廷，各约 16%。可在配套的Streamlit 仪表板上每两小时查看实时预测。

支撑预测的数据

预测的好坏取决于输入的质量，因此从原材料讲起最合适。模型从两个实时数据源学习，并将其转化为一张整洁的特征表。

数据来源

一切来自两个地方。API-Football 提供赛程与逐场统计：谁与谁在何时何地交手、结果如何。eloratings.net 提供各国家队的 Elo 评分。

Elo 评分用一个数字概括一支球队的实力。每支球队都位于这条刻度上的某个位置，每场比赛后评分都会更新：击败更强的对手涨分多，输给更弱的对手降分多。这个理念源自国际象棋，并很好地适用于足球。如果您想要更完整的直觉解释，这篇早期的 DataCamp 文章在 2022 年世界杯背景下详细讲解了它。

两者结合后，得到约 2018 年以来约 6,900 场国际比赛的黄金数据集用于学习。

模型预测什么

这里有一个关键的设计选择。模型并非直接预测胜平负，而是更细粒度地预测：每支球队在一场比赛中打进的进球数。足球的进球数大致服从泊松分布，这是在固定时间窗口内建模罕见事件发生次数的标准方法。

预测进球而非结果，使得后续一切成为可能。一旦模型能为任意对阵给出一个合理的比分，大家真正关心的“谁能突围小组、谁能捧杯”，就能通过对这些比分进行成千上万次模拟来回答。

关键特征

每场比赛由一小组精心挑选的特征描述：

Elo 差值：两队评分的差距。这是模型中迄今最重要的单一特征，其重要性大约比第二强特征高两个数量级。这也符合直觉：两队实力差距比几乎任何其他因素都更能说明潜在结果。
Elo 总和：两队评分之和，代表这场对决的整体质量。仅靠差值无法区分阿根廷 vs 西班牙与圣马力诺 vs 安道尔——两场势均力敌但水平天差地别的比赛，而总和补回了这部分信息。
滚动 Elo 变化（近 5 场）：两队评分近期的变动幅度。这在已考虑对手强弱的前提下捕捉“状态”。
滚动进失球（近 5 场）：各队近期在绝对层面的进攻与防守输出。
比赛情境：赛事级别（世界杯正赛与预选赛或国家联赛的权重不同）、是否为淘汰赛、以及是否在中立场地。

所有特征都严格防止泄漏，即仅使用开球前可获得的信息。听起来理所当然，但这恰是最易无意中造出“测试惊艳、实战崩溃”模型的坑。

一个被淘汰的想法：我原计划根据比赛内统计对球队做聚类，构建一组“打法风格”特征，属于一次无监督学习。实际中，球队并未分出有意义的群组；为避免向模型喂噪声，我把它去掉了。负面结果也是结果。

让数据可复现

数据以滚动方式来自两个源，从原始文件到可训练特征的路径必须始终一致。这正是勋章架构（medallion architecture）的作用。它将数据组织为三层：

青铜（Bronze）：原始数据，保持原样，不做改动。
白银（Silver）：清洗并标准化。在此我会对齐两数据源间的队名（它们很少写法一致）、验证模式、将 Elo 评分合并入比赛记录，并处理缺失或异常。
黄金（Gold）：建模层，每场比赛一行，所有特征都已计算完毕、可直接训练。

各层相互传递，这样当某处看起来不对劲时，我可以逐层回溯，而非一股脑拆解所有问题。为让整条路径可复现，我使用 DVC（数据版本控制）。一旦有新赛果到来，执行一次 dvc repro 就会从青铜重建白银与黄金，仅当输入改变时才重跑该步骤，并对结果数据集做版本管理，以便精确恢复任一先前状态。

甄选最佳模型

进球预测是个研究充分的问题，并无唯一显而易见的工具。因此我没有一开始就押注某一方法，而是构建了十个模型相互竞争。

参赛选手

十个模型涵盖五大家族，外加一个简单基线。您无需了解每个模型的内部；关键是它们对进球生成机制的假设截然不同。

家族	模型	核心理念
基线	平均速率泊松	假设每队仅以其长期平均进球率得分，忽略所有特征。为其他模型提供下限基准。
统计	双变量泊松、负二项	直接用适合计数事件的概率分布对双方进球数建模。
贝叶斯	贝叶斯泊松（MCMC）	同样是计数思路，但返回每个估计值周围的完整不确定性范围。计算代价高得多：拟合速度大约比其他模型慢 100 倍。
时间序列	SARIMAX	将球队的比赛结果视作随时间演化的序列并向前预测。
机器学习	Ridge、随机森林、XGBoost	直接从特征中学习模式，而不预设固定方程。
深度学习	LSTM、1D CNN	寻找序列与局部模式的神经网络。

评分方式

有十个候选者，凭肉眼选赢家行不通。取而代之，每个模型都经历三个阶段，由代码决定是否晋级。这就是基于代码的部署：模型从一个环境向下一个环境的晋升依靠自动检查，而非人工微调，从而保证整个选择流程可复现、易审计。

实验。所有模型仅在 2022 年世界杯之前的国际比赛上训练。并非所有比赛权重相同：近期比赛与更高重要性的比赛被赋予更大权重（时间衰减与比赛重要性加权），因此近期的正式比赛对模型的影响大于较久远的友谊赛。随后，用交叉验证调参以最小化泊松负对数似然（NLL）。NLL 衡量预测进球率与实际进球的匹配程度，越低越好。产出是各模型的最优调参版本。
质量保证。这些调好的模型随后在它们从未见过的比赛上测试：2022 年世界杯加上此后举行的六项大赛（欧洲杯、两届非洲杯、美洲杯、亚洲杯与金杯赛），共 347 场。此处度量切换为排序概率分（RPS），用于衡量当结果天然有序（负、平、胜）时概率预测的好坏，并奖励“大致方向上自信”的预测，同样越低越好。此处最强的模型成为挑战者。RPS 是合适的标尺，因为真正目标是预测球队能走多远，而不仅仅是进球总数。
部署。挑战者与在任冠军对比；若胜出，则晋升并在所有可用比赛上重拟合，确保入赛时已学习全部数据。

胜者

那么谁胜出？以下是按 RPS（越低越好）计分的完整保留集排行榜：

模型	保留集 RPS
XGBoost	0.18289
贝叶斯泊松	0.18316
负二项	0.18373
双变量泊松	0.18389
随机森林	0.18392
SARIMAX	0.18583
Ridge	0.18813
LSTM	0.19299
1D CNN	0.20916
平均速率泊松（基线）	0.22872

这份结果有四点值得注意：

XGBoost 获胜，但优势极小。前五名（XGBoost、贝叶斯泊松、负二项、双变量泊松与随机森林）彼此间仅约 0.0011 RPS 之差。当五种截然不同的方法如此接近时，通常意味着上限由数据与特征决定，而非模型本身。在此，Elo 差值完成了大量工作，以至于模型选择几乎不影响结果。
单一特征占据主导。Elo 差值以巨大优势成为最重要的预测因子，其影响力约为次强特征的一百倍。与其说惊讶，不如说令人安心：在单场比赛中，两队实力差距确实就是大部分故事。
深度学习垫底（基线除外）。1D CNN 与 LSTM 是除朴素基线外最弱的模型。仅约 7,000 场比赛可学，数据量不足以喂饱参数众多的网络；而经典方法更能应对小而结构化的数据集。
经典模型未见过拟合迹象。通常模型在未见数据上的表现会略逊于训练阶段。但此处几乎所有模型（LSTM 例外）在保留锦标赛上的得分优于交叉验证。很可能原因是杯赛比日常国际赛更可预测：更高的赌注、更强且更熟悉的球队以及中立场地，都削弱了随机性。

在实时锦标赛中，我不会运行全部十个模型。我保留一个小阵容：作为参考的平均速率基线，加上三名表现最佳者。XGBoost 与贝叶斯泊松稳居前二。

第三名实际上打成平手：负二项与双变量泊松仅相差 0.0002 RPS，并会随随机种子互换位置；在两者统计上难分高下的情况下，我选择了双变量泊松，因为其表述在足球预测文献中（Karlis 和 Ntzoufras，2004）基础更扎实。

最终阵容为 XGBoost（机器学习）、双变量泊松（经典统计）与贝叶斯泊松（贝叶斯推断）。下一节将介绍这些模型如何运行、再训练，并将单场预测汇总为完整的锦标赛预测。

投产落地

仅停留在笔记本里的模型只有您坐在电脑前时才有用。要在为期一个月的赛事中持续预测，整套系统必须自主运行：拉新结果、再训练、再模拟、刷新预测，无需人工干预。这正是流水线的职责。

GCP 上的双小时流水线

整个项目作为一个计划任务运行在 Google Cloud Run 上。赛前为每日一次；自 6 月 11 日揭幕战起每两小时运行一次。每次运行遵循同一循环：

检查新数据。若自上次运行后无比赛结束，则无需动作，任务即早退。
摄取与重建。若有新赛果，从数据源拉取，一次 dvc repro 重建白银与黄金层，确保特征为最新。
再训练、预测、模拟。将阵容内模型更新至最新状态（稍后详述），预测所有即将到来的对阵，并运行完整锦标赛模拟。
评分。一旦某场比赛结束，就对之前给出的预测进行评分，并用于下文所述的监控。

由于每一步都按计划由代码触发，赛事期间无需手动点击。新赛果进，最新预测出。

两种模式：冻结 vs. 分轮

这里也兼作一次实验。赛事期间，阵容并行运行两种模式，我希望用数据回答的问题是：随赛事推进进行再训练，是否会让预测更好？

冻结。赛事开球时模型即被锁定，不再再训练。它们仍会对赛果作出响应，因为每次模拟都会从更新后的对阵表开始，但模型参数本身不变。
分轮。超参数（高层设置）保持固定，但模型学习到的参数会在每个小组赛轮次与每一轮淘汰赛结束后，用所有可用数据重新拟合，让模型一边比赛一边学习。

并行运行二者，赛后即可从两个方面比较：原始预测准确度，以及随着参赛队缩减各自不确定性收敛的速度。若分轮更优，则定期再训练物有所值；若冻结不落下风，则额外复杂度未必值得。

从预测到锦标赛：蒙特卡罗模拟

预测一场比赛是一回事，把它转化为“各队夺冠概率是多少”就要靠蒙特卡罗模拟。

首先是推断。模型不仅预测已知的赛程，还会预测 48 支球队间所有可能的对阵。听起来铺张，但在杯赛中，任何球队都可能在淘汰赛遇到任何对手，因此必须为每一对组合备好预测。

接下来要编码规则，而 2026 赛制尤其棘手。12 个小组中前二自动出线，同时还有八个成绩最好的第三名也出线；这八支队分配到 32 强签位取决于它们来自哪些小组。

从 12 个小组中选出 8 个共有 495 种方式（12 选 8），每一种都会产生不同的 32 强对阵组合。没有简洁公式；FIFA 仅公布了一张对照表。因此我（准确说是我非常能干的同事 Cursor）将 495 种组合全部硬编码成映射，依据官方表格。

"best_third_mappings": {
  "EFGHIJKL": {
    "74": "3F",
    "77": "3G",
    "79": "3E",
    "80": "3K",
    "81": "3I",
    "82": "3H",
    "85": "3J",
    "87": "3L"
  }, 
  "DFGHIJKL": ...

每个键，例如 EFGHIJKL，列出进入淘汰赛的第三名来自哪些小组；对应的值把这些球队（3E、3F 等）分配到具体的 32 强比赛编号。这是一条记录；完整映射重复 495 次，每种组合各一条。

三支东道主（美国、加拿大、墨西哥）需要额外处理。当东道主在本国比赛时，模拟会为该场比赛施加主场优势调整，而其他比赛视为中立场地。

准备好预测与规则后，模拟将整个锦标赛运行 10,000 次。每次运行遵循以下流程：

通过从模型的预测分布采样主客进球，为每场比赛抽取一个比分
按真实的积分与决胜规则推进小组赛
决出最佳第三名表
根据上述映射填写淘汰赛对阵表
一路打到最终冠军。

在 10,000 次模拟中，一支球队打进决赛或捧杯的占比，即为该队的概率。一次运行是猜测；一万次运行才是预测。

用 MLflow 全程跟踪

上述每次运行（两种模式皆然）都会记录到 MLflow（托管于 DagsHub）。实验跟踪即系统性记录每次运行的输入、设置、结果与输出，以便相互比较或精确复现。以下几点值得一提：

可复现性。模拟使用由锦标赛轮次派生的固定随机种子，冻结与分轮模式共享同一种子。这意味着两者间的差异只来自模型本身，而非模拟内的采样运气。每次运行也会记录它看到的精确数据快照（黄金层行数与时间戳），以便结果可追溯至其输入。
实验属性。每次运行都带有模式标签（冻结或分轮）与其生命周期阶段标签，从实验、QA 到在线推断与重拟合，映射上一节的晋升流程。
对比。将保留集 RPS 作为选择指标记录，并附上当前冠军运行的引用以供溯源。也记录拟合时间，这里可清楚看到贝叶斯模型约慢 100 倍的训练成本。

训练好的模型与预测文件本身（锦标赛概率、小组排名、比赛预测）都作为运行工件保存，实时仪表板正是读取这些文件。至此闭环：从原始赛果，经训练与模拟，到您在线看到的数值。